人工智能（AI）成為2023年科技大趨勢，AI畫圖、寫論文等技術讓人驚歎，但由此而生的倫理和道德問題亦備受熱議。近日，微軟（Microsoft）發佈了最新的AI模型VALL-E，其可將3秒長度的語音樣本，模仿成某個真人的發聲，更可匹配成不同的說話語氣。
VALL-E屬於「神經編解碼語言模型」（Neural Codec Language Model），核心技術則來自Meta的AI壓縮神經網絡「Encodec」。微軟表示，研究人員是透過Meta的LibriLight語音庫中來自7,000多名演講者，共6萬小時英語語音來訓練VALL-E。
廣告（請繼續閱讀本文）
為改進VALL-E，微軟正計畫擴大其訓練數據，以提高模型在語氣、說話風格和說話相似度方面的表現，並減少不清楚或遺漏詞語的情況。
但微軟提到，由於該模型能合成為某人的語音，可能存在濫用，因而造成類似「深偽技術」（Deepfake）的欺詐風險，因此暫時不會開放VALL-E的代碼。